我已经研究了wit.ai好几天了 . 我找到了wit.ai bot引擎的关键点：
-
基于故事 - 为问候创建故事，订购披萨，订购笔记本电脑，询问预测
-
基于角色的实体 - 位置：表单，位置：到 . 这里“从”和“到”是“位置”实体的角色
-
复合/嵌套实体 - car（model，color，modelYear） . 这里的模型，颜色，modelYear可以嵌套在汽车实体下
-
搜索策略：特征，自由文本，关键字
-
通过创建一些故事来了解机器人
-
比赛得分称为置信度
-
用户表达式长度256最大值
-
从预定义的关键字列表中搜索匹配的表达式
-
嵌套上下文
-
用户定义的实体，预定义实体
-
基于实体的动作：如果只有，如果总是有条件
-
对于给定的用户表达式，机密搜索关键字列表中的匹配，自由文本
-
对于给定的用户表达式，机智搜索实体下列出的表达式中的关键字位置
-
对给定用户表达式中缺少的信息进行分支
-
代词支持机智吗？没有故事＃1用户：Widget X 2000多少钱？ Bot：价格30美元 . 故事＃2用户：我在哪里可以买到Widget X 2000？ Bot：在您当地的百思买 . 故事＃2用户：Widget X 2000多少钱？ Bot：价格30美元 . 用户：我在哪里可以买到它？ --error--使用上下文
-
尚未实现对话感知实体提取
-
是否有可能让wit.ai机器人记住/重用故事中的背景？检查context.key是否存在
-
是否可以在Wit.ai中设置默认意图？不，可以检查置信度值，设置置信度阈值，低于阈值特定响应
-
你能否在Wit.ai中按优先级对实体进行排名？没有
现在我想知道机智如何检测用户表达的意图，并使用在wit.ai中创建的机器人的故事对实体进行分类 .
如果有人了解wit.ai中使用的基础技术/ ML算法，请分享这个主题 . 我希望它会对像我这样的人有所帮助 .
提前致谢 .
1 回答
wit.ai的两个主要部分是：
意图分类
实体提取
对于实体提取，它使用最近开源的duckling库，您可以在那里找到有关算法的详细说明 .
对于意图分类，我猜他们使用基于单词包或更高级的单词嵌入方法（如word2vec）的文本分类方法 .
您还可以查看类似的完全开源项目，例如Rasa或spaCy，用于上述两项任务 .